Anthropic scommette 100 miliardi di dollari per battere gli 1,4 trilioni di dollari di OpenAI nella corsa agli armamenti dell'intelligenza artificiale

La dirigente di punta di Anthropic ha un messaggio per il mondo della tecnologia, che si sta affrettando a investire miliardi nell'intelligenza artificiale . Sostiene che più grande non significa sempre migliore.

Daniela Amodei, che guida l'azienda in qualitàdent e ha contribuito a fondarla,parla spesso di un'idea che permea ogni aspetto dell'attività aziendale. La definisce "fare di più con meno".

Questo modo di pensare pone Anthropic in contrasto con ciò che la maggior parte della Silicon Valley crede attualmente. Le più grandi aziende tecnologiche e i loro finanziatori si comportano come se le dimensioni determinassero il vincitore. Stanno raccogliendo somme di denaro senza precedentidentacquistando chip per computer anni prima di averne bisogno e costruendo enormi edifici pieni di server in tutto il Midwest americano. La loro scommessa è semplice: chi costruisce l'infrastruttura più grande vince.

OpenAI illustra questo approccio in modo più chiaro. L'azienda ha assunto impegni per circa 1,4 trilioni di dollari in potenza di calcolo e infrastrutture correlate. Collaborando con diversi partner, sta realizzando enormi data center e acquisendo chip avanzati a una velocità mai vista prima nel settore.

Anthropic ritiene che esista una strada diversa. L'azienda ritiene che una spesa oculata, algoritmi migliori e modi più intelligenti di utilizzare la tecnologia possano mantenerla competitiva senza cercare di spendere più di tutti gli altri.

La situazione assume un peso ancora maggiore perché Daniela Amodei e suo fratello Dario hanno contribuito a creare proprio la filosofia contro cui ora si battono. Dario è amministratore delegato di Anthropic e in precedenza ha lavorato presso Baidu e Google. Faceva parte del team di ricerca che ha reso popolare l'approccio di scalabilità che ora guida il modo in cui le aziende costruiscono modelli di intelligenza artificiale. Il principio di base afferma che aggiungere maggiore potenza di calcolo, più dati e ingrandire i modelli tende a migliorarli in prevedibili modi .

Le leggi di scala guidano l'economia industriale

Questo schema supporta ora l'intera struttura finanziaria della competizione nel campo dell'intelligenza artificiale. Spiega perché le aziende che gestiscono servizi cloud spendono così tanto, perché i produttori di chip hanno prezzi azionari così elevati e perché gli investitori privati ​​attribuiscono valutazioni elevate ad aziende che continuano a perdere denaro nonostante la crescita.

Ma Anthropic vuole dimostrare che la prossima fase della competizione non sarà vinta solo da chi può permettersi le sessioni di addestramento iniziali più costose. Il loro piano si concentra sull'utilizzo di informazioni di migliore qualità per l'addestramento, su tecniche applicate dopo l'addestramento iniziale che migliorano il modo in cui i modelli risolvono i problemi e su decisioni di prodotto che rendano i modelli meno costosi da gestire e più facili da usare per i clienti su larga scala. Quest'ultimo aspetto è importante perché i costi di calcolo non finiscono mai una volta che i modelli sono effettivamente in esecuzione.

Anthropic non sta lavorando con spiccioli. L'azienda ha impegni di spesa per circa 100 miliardi di dollari in infrastrutture di calcolo e prevede che queste esigenze aumenteranno se vuole rimanere all'avanguardia. Come riportato di recente da Cryptopolitan , Amazon ha potenziato il modello Claude di Anthropic con la sua nuova infrastruttura di intelligenza artificiale Rainier, dotata di oltre un milione di chip Trainium2.

"Le esigenze di calcolo per il futuro sono enormi", ha dichiarato Daniela Amodei a CNBC. "Quindi, la nostra previsione è che sì, avremo bisogno di più potenza di calcolo per poter rimanere all'avanguardia man mano che cresciamo ."

Ciononostante , l'azienda affermache lecifre elevate riportate in tutto il settore spesso non sono direttamente confrontabili. La fiducia a livello di settore circa l'importo corretto da spendere non è così solida come sembra.

"Molti dei numeri che vengono citati non sono esattamente paragonabili, proprio per come sono strutturati alcuni di questi accordi " , ha affermato, parlando di come le aziende si sentano spinte a impegnarsi presto per poter ottenere l'hardware anni dopo.

La realtà più ampia, ha osservato, è che anche le persone che hanno contribuito a sviluppare la teoria della scalabilità sono state colte di sorpresa dalla crescita costante delle prestazioni e dei risultati aziendali.

"Continuiamo a essere sorpresi, anche noi che siamo stati i pionieri di questa teoria delle leggi di scala", ha affermato Daniela Amodei. "Una cosa che sento spesso dai miei colleghi è che lacrescitacontinua finché non si arresta. E ogni anno ci diciamo: 'Non è possibile che le cose continuino a crescere in modo esponenziale', e invece ogni anno è successo".

Cosa succede quando la crescita si ferma?

Daniela Amodei ha separato la tendenza tecnologica da quella economica, una differenza importante che spesso viene confusa nel dibattito pubblico. Guardando solo alla tecnologia, ha dettoche un'analisiatropica non vede un rallentamento del progresso in base a ciò che ha osservato.

"A prescindere da quanto sia valida la tecnologia, ci vuole tempo prima che venga utilizzata in un contesto aziendale o personale ", ha affermato. "La vera domanda, a mio avviso, è: con quanta rapidità le aziende in particolare, ma anche i singoli individui, possono sfruttare appieno questa tecnologia?"

"L'esponenziale continua finché non smette di funzionare", ha affermato Daniela Amodei. La domanda per il 2026 è cosa succederà alla corsa all'intelligenza artificiale e alle aziende che la sviluppano se il modello di crescita preferito dal settore smetterà definitivamente di funzionare.

Mentre il settore si confronta con una domanda di potenza di calcolo per l'IA che cresce a un ritmo doppio rispetto alla Legge di Moore, richiedendo 500 miliardi di dollari all'anno fino al 2030, la scommessa di Anthropic sull'efficienza piuttosto che sulla pura scalabilità potrebbe rivelarsi lungimirante, oppure potrebbe scoprire che nella corsa all'IA non c'è alternativa a una potenza di calcolo schiacciante.